CN109271905B - 一种基于单帧图像的黑烟车检测方法 - Google Patents

一种基于单帧图像的黑烟车检测方法 Download PDF

Info

Publication number
CN109271905B
CN109271905B CN201811018273.3A CN201811018273A CN109271905B CN 109271905 B CN109271905 B CN 109271905B CN 201811018273 A CN201811018273 A CN 201811018273A CN 109271905 B CN109271905 B CN 109271905B
Authority
CN
China
Prior art keywords
binary pattern
feature
local binary
features
black smoke
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201811018273.3A
Other languages
English (en)
Other versions
CN109271905A (zh
Inventor
路小波
陶焕杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN201811018273.3A priority Critical patent/CN109271905B/zh
Publication of CN109271905A publication Critical patent/CN109271905A/zh
Application granted granted Critical
Publication of CN109271905B publication Critical patent/CN109271905B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种基于单帧图像的黑烟车检测方法，包括：将单帧彩色图像转化为灰度图像，并平均分成若干个小方块；对于每一小方块区域，提取判别性完全局部二值模式特征或者判别性无冗余局部二值模式特征；对于每一小方块区域，提取梯度位置方向直方图特征；对于每一小方块区域，提取局部分形特征；归一化不同类型的特征，并串联起来形成最终的特征向量，利用SVM分类器对所提特征向量进行分类，识别有烟小方块，并对当前帧是否有黑烟车做出判断。本发明引入各种特征，使得信息表达既充分，又具有辨别性，更有利于分类识别，具有更强的鲁棒性和判别性。进一步提高了识别率，降低了误报率。

Description

一种基于单帧图像的黑烟车检测方法
技术领域
本发明属于图像处理和烟火检测技术领域，涉及黑烟车检测方法，更为具体的说，是涉及一种基于单帧图像的黑烟车检测方法。
背景技术
黑烟车是一种高污染机动车辆，主要以柴油为动力，常见于大型货车和工程车，其黑烟尾气严重污染空气，危害人体健康。
目前，黑烟车检测的方法大致可分为两大类：传统方法和智能方法。第一类的传统方法分为群众举报、定期路检、夜间巡查、人工视频监控、安装车辆尾气分析装置、传感器探测等。这类方法效率低下，耗费大量人力财力，如尾气分析装置的购买和维护就需要大量财力的支持，并且为每辆车都安装尾气分析装置实施有难度。第二类的智能方法主要指智能视频监控方法，黑烟车的自动识别是黑烟车监控报警系统自动化智能化的必然发展趋势。此类方法利用计算机视觉技术从海量道路监控视频中自动检测黑烟车，具有很多优点，但是目前这类方法仍处于研究的起步阶段，并且这些方法无法适用于单帧的情况。
发明内容
为解决上述问题，本发明公开了一种基于单帧图像的黑烟车检测方法，能够从单帧图像中识别黑烟车，对相机的晃动具有较好的鲁棒性，适用于移动相机拍摄的监控视频的处理。
为了达到上述目的，本发明提供如下技术方案：
一种基于单帧图像的黑烟车检测方法，包括如下步骤：
(1)将单帧彩色图像转化为灰度图像，并平均分成若干个小方块；
(2)对于每一小方块区域，提取判别性完全局部二值模式(disCLBP)特征或者判别性无冗余局部二值模式(disNRLBP)特征，用于刻画小方块区域的纹理信息；
(3)对于每一小方块区域，提取梯度位置方向直方图特征(GLOH)，用于刻画小方块区域的梯度信息；
(4)对于每一小方块区域，提取局部分形特征(LDF)，用于刻画该区域的自相似特性的强弱；
(5)归一化不同类型的特征，并串联起来形成最终的特征向量，利用SVM分类器对所提特征向量进行分类，识别有烟小方块，并对当前帧是否有黑烟车做出判断。
进一步的，步骤(2)中判别性完全局部二值模式(disCLBP)特征的计算包括如下步骤：
(21)利用下式计算完全局部二值模式，该模式包括局部二值模式符号描述子，局部二值模式幅值描述子和局部二值模式中心描述子，
Figure BDA0001786668400000021
Figure BDA0001786668400000022
Figure BDA0001786668400000023
其中，R和P分别表示LBP编码的半径和圆周上的邻域像素个数,Ip表示圆邻域上的第p个像素的灰度值，Ic表示图像中心像素的灰度值，c一般设置为区域的均值，LBP_SP,R表示半径为R邻域像素个数为P的局部二值模式符号描述子，LBP_MP,R表示半径为R邻域像素个数为P的局部二值模式幅值描述子和LBP_CP,R表示半径为R邻域像素个数为P的局部二值模式中心描述子；
(22)选取不同的R以及模式，得到每张图片的一组特征模式类型集，将所有图片的CLBP 特征按大小排列，筛选出特征值的总和占所有特征值总和百分比大于n％的特征，然后，对同一类的样本，选择出共有的特征模式类型；
(23)将步骤2.2中提取到的这些贡献率较高的特征串联起来得到disCLBP特征，记作 FdisCLBP。
进一步的，所述步骤(2)中判别性无冗余局部二值模式(disNRLBP)特征的计算包括如下步骤，
(24)无冗余局部二值模式(NRLBP)的计算公式如下，
NRLBPP,R(xc,yc)＝min{LBPP,R(xc,yc),2p-1-LBPP,R(xc,yc)}
Figure BDA0001786668400000024
Figure BDA0001786668400000025
其中，R和P分别表示LBP编码的半径和圆周上的邻域像素个数,Ip表示圆邻域上的第p个像素的灰度值，Ic表示图像中心像素的灰度值，(xc,yc)表示圆邻域中心像素的位置坐标；
(25)选取不同的R以及模式，得到每张图片的一组特征模式类型集，将所有图片的NRLBP 特征按大小排列，筛选出特征值的总和占所有特征值总和百分比大于n％的特征，然后，对同一类的样本，选择出每类共有的特征模式类型；
(26)将这些贡献率较高的特征串联起来得到disNRLBP特征，记作FdisNRLBP。
进一步的，n取90。
进一步的，所述步骤(3)中的梯度位置方向直方图特征(GLOH)的计算包括如下步骤，
(31)GLOH算子是SIFT描述子的改进版本，目的是为了增强特征的鲁棒性和独立性，下面以SIFT为基础来介绍GLOH描述子，以对数极坐标空间(r,θ,
Figure BDA0001786668400000034
)在半径方向建立8个角度方向和三个半径从小到大的位置带,其中，r,θ,
Figure BDA0001786668400000033
分别代表极坐标的半径、方向和像素梯度方向；
(32)将原SIFT算子中4x4网格的方向柱改成呈仿射状同心圆的17个方向柱，并计算其中的梯度方向直方图，梯度方向分为16种，可得到特征向量272维；
(33)采用主成分分析(PCA)对特征降维，得到128维的最终特征，记作FGLOH。
步骤(4)中的局部分形特征(LDF)的计算包括如下步骤，
(41)对于给定分辨率为K×K的灰度图像I,将其每个像素看作三维空间中一个点，像素位置(x,y)中的x和y分别代表像素的x轴和y轴的坐标值，像素值代表z轴的坐标值；
(42)将二维平面xOy划分成l×l的格子，在每个格子中从下往上堆l×l×l大小的小立方体，使(i,j)处的格子中灰度表面最大值和最小值分别落入堆砌序号为p＝max Ir(i,j)和 q＝min Ir(i,j)的盒子中；
(43)利用下式计算局部分形特征(LDF)
Figure BDA0001786668400000031
Figure BDA0001786668400000032
其中，r＝l/K是可以变化的参数；
取不同的r得到一组局部分形维数，串联起来作为最终的特征向量，记作FLDF.
步骤(5)中的对当前帧是否有黑烟车做出判断包括如下步骤，
(51)归一化不同类型的特征，包括FdisCLBP(或者FdisNRLBP)，FGLOH和FLDF，并串联起来形成最终的特征向量；
(52)利用SVM分类器对所提特征向量进行分类，识别有烟小方块和无烟小方块；
(53)寻找当前帧连通的有烟小方块的个数，如果有超过ζ个小方块，则认定当前帧有黑烟车，否则不存在黑烟车。
与现有技术相比，本发明具有如下优点和有益效果：
(1)本发明引入disCLBP特征，增加了传统LBP未考虑的差值幅度信息，能更加全面地描述图像信息。引入disNRLBP特征，全面考虑了特征的鲁棒性、可辨别性和代表性，去除了对黑烟识别影响不大的冗余信息，使得信息表达既充分，又具有辨别性，更有利于分类识别。能充分反映背景和前景的相对对比度，与原始LBP相比具有更强的鲁棒性和判别性。
(2)引入GLOH特征，对尺度、旋转、缩放和光亮变化能够保持不变性，并且具有较强的抗噪能力，可提供丰富识别信息。
(3)引入LDF特征，充分刻画了黑烟区域的整体的自相似性特征，对分类非常有用。该技术发明进一步提高了识别率，降低了误报率。
(4)本发明的算法框可以从单帧图像中识别黑烟车，对相机的晃动具有较好的鲁棒性，适用于移动相机拍摄的监控视频的处理。
附图说明
图1为本发明提供的基于单帧图像的黑烟车检测方法的流程示意图。
图2为本发明检测到的黑烟车的一幅示例图。
具体实施方式
以下将结合具体实施例对本发明提供的技术方案进行详细说明，应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。
一种基于单帧图像的黑烟车检测方法，其流程图如图1所示，具体按照以下步骤进行：
步骤1：将单帧彩色图像转化为灰度图像，并平均分成若干个小方块；本步骤中引入了图像分块的策略。
步骤2：对于每一小方块区域，提取判别性完全局部二值模式(disCLBP)特征或者判别性无冗余局部二值模式(disNRLBP)特征，用于刻画小方块区域的纹理信息。
具体的说，判别性完全局部二值模式(disCLBP)特征的计算包括如下步骤：
步骤2.1：为了增加传统LBP未考虑的差值幅度信息，利用下式计算完全局部二值模式，该模式包括局部二值模式符号描述子，局部二值模式幅值描述子和局部二值模式中心描述子，
Figure BDA0001786668400000041
Figure BDA0001786668400000042
Figure BDA0001786668400000043
其中，R和P分别表示LBP编码的半径和圆周上的邻域像素个数,Ip表示圆邻域上的第p个像素的灰度值，Ic表示图像中心像素的灰度值，c一般设置为区域的均值，LBP_SP,R表示半径为R邻域像素个数为P的局部二值模式符号描述子，LBP_MP,R表示半径为R邻域像素个数为P的局部二值模式幅值描述子和LBP_CP,R表示半径为R邻域像素个数为P的局部二值模式中心描述子；
步骤2.2：选取不同的R以及模式，得到每张图片的一组特征模式类型集，将所有图片的CLBP特征按大小排列，筛选出特征值的总和占所有特征值总和百分比大于n％的特征，一般取90％，可根据需要做适当调整，然后，对同一类的样本，选择出共有的特征模式类型；
步骤2.3：将步骤2.2中提取到的这些贡献率较高的特征串联起来得到disCLBP特征，记作FdisCLBP。
判别性无冗余局部二值模式(disNRLBP)特征的计算包括如下步骤：
步骤2.4：无冗余局部二值模式(NRLBP)的计算公式如下：
NRLBPP,R(xc,yc)＝min{LBPP,R(xc,yc),2p-1-LBPP,R(xc,yc)}
Figure BDA0001786668400000051
Figure BDA0001786668400000052
其中，R和P分别表示LBP编码的半径和圆周上的邻域像素个数,(xc,yc)表示圆邻域中心像素的位置坐标，Ip表示圆邻域上的第p个像素的灰度值，Ic表示图像中心像素的灰度值；
步骤2.5：选取不同的R以及模式，得到每张图片的一组特征模式类型集，将所有图片的NRLBP特征按大小排列筛选出特征值的总和占所有特征值总和百分比大于n％的特征，一般取90％，可根据需要做适当调整，然后，对同一类的样本，选择出每类共有的特征模式类型；
步骤2.6：将这些贡献率较高的特征串联起来得到disNRLBP特征，记作FdisNRLBP。
步骤3：对于每一小方块区域，提取梯度位置方向直方图特征(GLOH)，用于刻画小方块区域的梯度信息。
梯度位置方向直方图特征(GLOH)的计算包括如下步骤：
步骤3.1：GLOH算子是SIFT描述子的改进版本，目的是为了增强特征的鲁棒性和独立性，下面以SIFT为基础来介绍GLOH描述子，以对数极坐标空间(r,θ,
Figure BDA0001786668400000053
)在半径方向建立8个角度方向和三个半径从小到大的位置带,其中，r,θ,
Figure BDA0001786668400000054
分别代表极坐标的半径、方向和像素梯度方向；
步骤3.2：将原SIFT算子中4x4网格的方向柱改成呈仿射状同心圆的17个方向柱，并计算其中的梯度方向直方图，梯度方向分为16种，可得到特征向量272维；
步骤3.3：采用主成分分析(PCA)对特征降维，得到128维的最终特征，记作FGLOH。
步骤4：对于每一小方块区域，提取局部分形特征(LDF)，用于刻画该区域的自相似特性的强弱；
局部分形特征(LDF)的计算包括如下步骤：
步骤4.1：对于给定分辨率为K×K的灰度图像I,将其每个像素看作三维空间中一个点，像素位置(x,y)中的x和y分别代表像素的x轴和y轴的坐标值，像素值代表z轴的坐标值；
步骤4.2：将二维平面xOy划分成l×l的格子，在每个格子中从下往上堆l×l×l大小的小立方体，使(i,j)处的格子中灰度表面最大值和最小值分别落入堆砌序号为p＝maxIr(i,j)和 q＝min Ir(i,j)的盒子中；
步骤4.3：利用下式计算局部分形特征(LDF)
Figure BDA0001786668400000061
Figure BDA0001786668400000062
其中，r＝l/K是可以变化的参数；
取不同的r得到一组局部分形维数，串联起来作为最终的特征向量，记作FLDF。
步骤5：归一化不同类型的特征，并串联起来形成最终的特征向量，利用SVM分类器对所提特征向量进行分类，识别有烟小方块，并进一步对当前帧是否有黑烟车做出判断。做出判断的过程具体包括如下步骤，
步骤5.1：归一化不同类型的特征，包括FdisCLBP(或者FdisNRLBP)，FGLOH和FLDF，并串联起来形成最终的特征向量；
步骤5.2：利用SVM分类器对所提特征向量进行分类，识别有烟小方块和无烟小方块；
步骤5.3：寻找当前帧连通的有烟小方块的个数，如果有超过ζ个小方块，则认定当前帧有黑烟车，否则不存在黑烟车，ζ为阈值。
图2显示了利用本发明从车辆监控视频中检测到的一个黑烟车的示例图，整帧图像划分为多个大小为32x32的小方格，黑色边框的方格表示被识别为黑烟区域，白色边框的方格表示被识别为非黑色区域。
本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (3)

1.一种基于单帧图像的黑烟车检测方法，其特征在于，包括如下步骤：
(1)将单帧彩色图像转化为灰度图像，并平均分成若干个小方块；
(2)对于每一小方块区域，提取判别性完全局部二值模式特征或者判别性无冗余局部二值模式特征，用于刻画小方块区域的纹理信息；
所述判别性完全局部二值模式特征的计算包括如下步骤：
(21)利用下式计算完全局部二值模式，该模式包括局部二值模式符号描述子，局部二值模式幅值描述子和局部二值模式中心描述子，
Figure FDA0003173281540000011
Figure FDA0003173281540000012
Figure FDA0003173281540000013
其中，R和P分别表示LBP编码的半径和圆周上的邻域像素个数,Ip表示圆邻域上的第p个像素的灰度值，Ic表示图像中心像素的灰度值，c设置为区域的均值，LBP_SP,R表示半径为R邻域像素个数为P的局部二值模式符号描述子，LBP_MP,R表示半径为R邻域像素个数为P的局部二值模式幅值描述子和LBP_CP,R表示半径为R邻域像素个数为P的局部二值模式中心描述子；
(22)选取不同的R以及模式，得到每张图片的一组特征模式类型集，将所有图片的CLBP特征按大小排列，筛选出特征值的总和占所有特征值总和百分比大于n％的特征，然后，对同一类的样本，选择出共有的特征模式类型；
(23)将步骤(22)中提取到的这些贡献率较高的特征串联起来得到disCLBP特征，记作FdisCLBP；
所述判别性无冗余局部二值模式特征的计算包括如下步骤：
(24)无冗余局部二值模式的计算公式如下，
NRLBPP,R(xc,yc)＝min{LBPP,R(xc,yc),2p-1-LBPP,R(xc,yc)}
Figure FDA0003173281540000014
Figure FDA0003173281540000015
其中，R和P分别表示LBP编码的半径和圆周上的邻域像素个数,Ip表示圆邻域上的第p个像素的灰度值，Ic表示图像中心像素的灰度值，(xc,yc)表示圆邻域中心像素的位置坐标；
(25)选取不同的R以及模式，得到每张图片的一组特征模式类型集，将所有图片的NRLBP特征按大小排列，筛选出特征值的总和占所有特征值总和百分比大于n％的特征，然后，对同一类的样本，选择出每类共有的特征模式类型；
(26)将这些贡献率较高的特征串联起来得到判别性无冗余局部二值模式特征，记作FdisNRLBP；
(3)对于每一小方块区域，提取梯度位置方向直方图特征，用于刻画小方块区域的梯度信息；
所述梯度位置方向直方图特征的计算包括如下步骤：
(31)以对数极坐标空间
Figure FDA0003173281540000021
在半径方向建立8个角度方向和三个半径从小到大的位置带,其中，r,θ,
Figure FDA0003173281540000022
分别代表极坐标的半径、方向和像素梯度方向；
(32)将原SIFT算子中4x4网格的方向柱改成呈仿射状同心圆的17个方向柱，并计算其中的梯度方向直方图，梯度方向分为16种，得到特征向量272维；
(33)采用主成分分析法对特征降维，得到128维的最终特征，记作FGLOH；
(4)对于每一小方块区域，提取局部分形特征，用于刻画该区域的自相似特性的强弱；所述局部分形特征的计算包括如下步骤：
(41)对于给定分辨率为K×K的灰度图像I,将其每个像素看作三维空间中一个点，像素位置(x,y)中的x和y分别代表像素的x轴和y轴的坐标值，像素值代表z轴的坐标值；
(42)将二维平面xOy划分成l×l的格子，在每个格子中从下往上堆l×l×l大小的小立方体，使(i,j)处的格子中灰度表面最大值和最小值分别落入堆砌序号为p＝maxIr(i,j)和q＝minIr(i,j)的盒子中；
(43)利用下式计算局部分形特征
Figure FDA0003173281540000023
Figure FDA0003173281540000024
其中，r＝l/K是可以变化的参数；
取不同的r得到一组局部分形维数，串联起来作为最终的特征向量，记作FLDF；
(5)归一化不同类型的特征，并串联起来形成最终的特征向量，利用SVM分类器对所提特征向量进行分类，识别有烟小方块，并对当前帧是否有黑烟车做出判断。
2.根据权利要求1所述的基于单帧图像的黑烟车检测方法，其特征在于，所述n取90。
3.根据权利要求1所述的基于单帧图像的黑烟车检测方法，其特征在于，所述步骤(5)中的对当前帧是否有黑烟车做出判断包括如下步骤，
(51)归一化不同类型的特征，包括FdisCLBP或者FdisNRLBP，FGLOH和FLDF，并串联起来形成最终的特征向量；
(52)利用SVM分类器对所提特征向量进行分类，识别有烟小方块和无烟小方块；
(53)寻找当前帧连通的有烟小方块的个数，如果有超过ζ个小方块，则认定当前帧有黑烟车，否则不存在黑烟车。
CN201811018273.3A 2018-09-03 2018-09-03 一种基于单帧图像的黑烟车检测方法 Active CN109271905B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811018273.3A CN109271905B (zh) 2018-09-03 2018-09-03 一种基于单帧图像的黑烟车检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811018273.3A CN109271905B (zh) 2018-09-03 2018-09-03 一种基于单帧图像的黑烟车检测方法

Publications (2)

Publication Number Publication Date
CN109271905A CN109271905A (zh) 2019-01-25
CN109271905B true CN109271905B (zh) 2021-11-19

Family

ID=65187702

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811018273.3A Active CN109271905B (zh) 2018-09-03 2018-09-03 一种基于单帧图像的黑烟车检测方法

Country Status (1)

Country Link
CN (1) CN109271905B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110070138B (zh) * 2019-04-26 2021-09-21 河南萱闱堂医疗信息科技有限公司 对结肠内镜检测前排泄物图片进行自动评分的方法
CN112767723B (zh) * 2019-11-05 2022-04-22 深圳市大富科技股份有限公司 路况检测方法、计算机存储设备、车载终端和车辆

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011085277A1 (en) * 2010-01-08 2011-07-14 Qualcomm Incorporated Scale space normalization technique for improved feature detection in uniform and non-uniform illumination changes
CN102760228A (zh) * 2011-04-27 2012-10-31 中国林业科学研究院森林生态环境与保护研究所 基于标本图像的鳞翅目昆虫种类自动鉴别方法
CN103886304A (zh) * 2014-04-03 2014-06-25 北京大学深圳研究生院 一种基于时空局部描述子的真假笑识别方法
CN104091147A (zh) * 2014-06-11 2014-10-08 华南理工大学 一种近红外眼睛定位及眼睛状态识别方法
CN105678284A (zh) * 2016-02-18 2016-06-15 浙江博天科技有限公司 一种固定位人体行为分析方法
CN106557726A (zh) * 2015-09-25 2017-04-05 北京市商汤科技开发有限公司 一种带静默式活体检测的人脸身份认证系统及其方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011085277A1 (en) * 2010-01-08 2011-07-14 Qualcomm Incorporated Scale space normalization technique for improved feature detection in uniform and non-uniform illumination changes
CN102760228A (zh) * 2011-04-27 2012-10-31 中国林业科学研究院森林生态环境与保护研究所 基于标本图像的鳞翅目昆虫种类自动鉴别方法
CN103886304A (zh) * 2014-04-03 2014-06-25 北京大学深圳研究生院 一种基于时空局部描述子的真假笑识别方法
CN104091147A (zh) * 2014-06-11 2014-10-08 华南理工大学 一种近红外眼睛定位及眼睛状态识别方法
CN106557726A (zh) * 2015-09-25 2017-04-05 北京市商汤科技开发有限公司 一种带静默式活体检测的人脸身份认证系统及其方法
CN105678284A (zh) * 2016-02-18 2016-06-15 浙江博天科技有限公司 一种固定位人体行为分析方法

Also Published As

Publication number Publication date
CN109271905A (zh) 2019-01-25

Similar Documents

Publication Publication Date Title
CN112819094B (zh) 一种基于结构相似度度量的目标检测与识别方法
Malik et al. Detection and recognition of traffic signs from road scene images
CN107273832B (zh) 基于积分通道特征与卷积神经网络的车牌识别方法及系统
CN109948566B (zh) 一种基于权重融合与特征选择的双流人脸反欺诈检测方法
CN108090459B (zh) 一种适用于车载视觉系统的交通标志检测识别方法
CN107315990B (zh) 一种基于xcs-lbp特征的行人检测算法
CN112464731B (zh) 一种基于图像处理的交通标志检测识别方法
CN109190455B (zh) 基于高斯混合和自回归滑动平均模型的黑烟车识别方法
CN112733914B (zh) 一种基于支持向量机的水下目标视觉识别分类方法
CN109271905B (zh) 一种基于单帧图像的黑烟车检测方法
CN109271904B (zh) 一种基于像素自适应分割和贝叶斯模型的黑烟车检测方法
Abedin et al. Traffic sign recognition using surf: Speeded up robust feature descriptor and artificial neural network classifier
CN111915583A (zh) 复杂场景中基于车载红外热像仪的车辆和行人检测方法
Mammeri et al. North-American speed limit sign detection and recognition for smart cars
Yong et al. Real-time vehicle detection based on Haar features and Pairwise Geometrical Histograms
Li et al. [Retracted] Yolo‐Based Traffic Sign Recognition Algorithm
Măriuţ et al. Detection and recognition of traffic signs using Gabor filters
CN112183427B (zh) 一种箭形交通信号灯候选图像区域的快速提取方法
Zhou et al. Real-time traffic light recognition based on c-hog features
CN115909276A (zh) 基于改进YOLOv5的复杂天气下小交通标志目标检测方法
Tian et al. Robust traffic sign detection in complex road environments
CN106257494B (zh) 复杂场景下的车牌检测方法及装置
Farhat et al. Novel approach for real time detection and classification based on template matching in video
CN112150364A (zh) 一种箭形交通信号灯分体式候选图像区域的配对拼接方法
KR102595910B1 (ko) 차량 번호 자동인식 시스템 및 그 방법

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant